从意图网络到可预测网络

美国时间2022年5月4日， 思科发布了其下一代可预测网络^[1]架构, 从当年发布的基于catalyst园区网的意图网络(Intent based network)到现在基于SDWAN的可预测网络，有幸在这一路的过程中做了一些微小的工作。

思科Predictive Network是一个SaaS的解决方案，通过对Internet上的一系列基于ThousandEye的探测结果，可以获得大量有明显周期性的统计结果，并通过AI模型引导客户基于SDWAN控制器更新策略倒换流量。领导这项工作的是思科Fellow JP Vasseur的团队，过去几年我们一直有非常紧密的合作。当然具体的模型和算法属于商业机密，不会披露太多。

说说这个研究过程吧， 思科在整个Predictive Network的研究做了很长时间， JP是最早做PCE标准的专家， 渣在2014年的IOS XE Hackthon中实现了一个基于以周为单位的seasonal_decompose算法调度器， 然后在2018年渣实现了完善的基于SegmentRouting的闭环自愈网络Nimble Network

针对SDWAN和Internet上的动态可预测路由数据源需要大量的探针和历史数据，因此思科收购了ThousandEye， 在收购之前，渣所在的SDWAN团队就在Internet上通过Cedge路由器测量采集信息，例如国内的数据

》国内公有云互通测试报告《

然后在这个基础上，通过时间序列分析，把周期性的数据提出来：

tsa_data = filter_link(data,'TE_Tokoyo','ALI_Hangzhou')
from statsmodels.tsa.seasonal import seasonal_decompose
decomposition = seasonal_decompose(tsa_data['s2d_loss'],freq=288)
tsa_data['loss_seasonal']= decomposition.seasonal
tsa_data['loss_trend'] = decomposition.trend
tsa_data['loss_residual'] = decomposition.resid
chart2 =bokeh_multi_line_chart(tsa_data,['loss_seasonal'],['周期性'],title='周期')
chart3 =bokeh_multi_line_chart(tsa_data,['loss_trend'],['延迟'],title='趋势')
chart4 =bokeh_multi_line_chart(tsa_data,['loss_residual'],['残差'],title='残差')
show_column([chart2,chart3,chart4])

然后再用一些时间序列预测的库直接把接下来一个小时各个链路的性能预测一下， 然后就可以根据预测值和实际承载的流量模型建议调整流量

from fbprophet import Prophet
tsa_data['ds'] = tsa_data['datetime']
tsa_data['y'] = tsa_data['s2d_loss']
m = Prophet(changepoint_prior_scale=0.01).fit(tsa_data)
future = m.make_future_dataframe(periods=96,freq='H')
fcst = m.predict(future)
fig = m.plot(fcst)

详细的内容可以参考下面两篇文章：

》Ruta：不用花10个亿也能做千眼《

》Internet 的性能测量《

从技术路线上来看，这种技术很好的解决了很多客户的痛点：

回想起三年前CEO给渣的一封亲笔签名的贺信，基于AIOps的预测运维落地真的花了蛮长时间的

当然我们还有更多的新的项目正在一步步的落地，例如跟网络安全相关的：

以及一个全新的XXX for SDWAN， 期待么？

当然还有一些更神秘的东西， 例如基于范畴论视角下的现代SDN架构设计， 部分内容来自于

》意图网络的语言学思考《

当然还有更多的东西，从范畴论的视角下去解决很多问题，例如基于函子来看待异构计算的通信语义等，期待么？等渣和渣的同事们慢慢灌水吧~

Reference

[1]

Cisco Predictive Network: https://www.cisco.com/c/m/en_us/solutions/predictive-networks/index.html